Modul Penginderaan Jauh Dasar

1. PRINSIP DASAR PENGINDERAAN JAUH

1.1. PendahuluanPenginderaan jauh atau inderaja (remote sensing) adalah seni dan ilmu untuk mendapatkan informasi tentang obyek, area atau fenomena melalui analisa terhadap data yang diperoleh dengan menggunakan alat tanpa kontak langsung dengan obyek, daerah ataupun fenomena yang dikaji (Lillesand dan Kiefer,1979).

Alat yang dimaksud dalam pengertian diatas adalah alat pengindera atau sensor. Pada umumnya sensor dibawa oleh wahana baik berupa pesawat, balon udara, satelit maupun jenis wahana yang lainnya ( Sutanto,1987). Hasil perekaman oleh alat yang dibawa oleh suatu wahana ini selanjutnya disebut sebagai data penginderaan jauh.

Lindgren(1985 dalam Sutanto, 1987) mengungkapkan bahwa penginderaan jauh adalah berbagai teknik yang dikembangkan untuk perolehan dan analisis informasi tentang bumi, infomasi ini khusus berbentuk radiasi elektromagnetik yang dipantulkan atau dipancarkan dari permukaan bumi.

Dari pendapat beberapa ahli di atas dapat disimpulkan bahwa penginderaan jauh terdiri atas 3 komponen utama yaitu obyek yang diindera, sensor untuk merekam obyek dan gelombang elektronik yang dipantulkan atau dipancarkan oleh permukaan bumi. Interaksi dari ketika komponen ini menghasilkan data penginderaan jauh yang selanjutnya melalui proses interpretasi dapat diketahui jenis obyek area ataupun fenomena yang ada.

Perkembangan penginderaan jauh ini semakin cepat seiring dengan kemajuan teknologi dirgantara. Sebelumnya penginderaan jauh lebih banyak menggunakan pesawat udara dan balon udara dalam perekaman data permukaan bumi, tetapi seiring dengan perkembangan penerbangan antariksa dan penggunaan satelit untuk berbagai kepentingan termasuk didalamnya perekaman permukaan bumi, maka penginderaan jauh tumbuh berkembang semakin cepat. Demikian pula halnya dengan penggunaan sensor yang di bawa oleh berbagai wahana juga mengalami peningkatan baik dalam jenis sensor yang digunakan maupun tingkat kedetailan hasil penginderaan.

PANDUAN APLIKASI Penginderaan Jauh Tingkat Dasar2

Satelit pertama yang berhasil diluncurkan dalam rangka monitoring sumber daya bumi adalah satelit ERTS (Earth Resources Technology Satelite) yang diluncurkan pada tahun 1972. Hingga saat ini telah ratusan jenis satelit dengan berbagai tingkat ketelitian dan berbagai panjang gelobang digunakan untuk berbagai kajian permukaan bumi.

Beberapa contoh manfaat dalam aplikasi penginderaan jauh adalah:1. Identifikasi penutupan lahan (landcover)2. Identifikasi dan monitoring pola perubahan lahan3. Manajemen dan perencanaan wilayah4. Manajemen sumber daya hutan5. Eksplorasi mineral6. Pertanian dan perkebunan7. Manajemen sumber daya air8. Manajemen sumber daya laut

Secara umum dapat dikatakan bahwa penginderaan jauh dapat berperan dalam mengurangi secara signifikan kegiatan survey terestrial dalam inventarisasi dan monitoring sumberdaya alam. Kegiatan survey terestris dengan adanya teknologi ini hanya dilakukan untuk membuktikan suatu jenis obyek atau fenomena yang ada dilapangan untuk disesuaikan dengan hasil analisa data.

Pengambilan data spasial sendiri dilapangan dapat menggunakan metode trestrial survey atau metode graound base dan juga metode penginderaan jauh. Kedua metode itu dapat dijelaskan sebagai berikut:

• Metode ground based, merupakan metode pengambilan data secara langsung dilapangan. Pengukuran dilakukan secara in-situ melalui kegiatan survey lapangan.

Gambar 1. Bagan alur pengambilan data dengan metode ground based

• Metoda penginderaan jauh (Remote Sensing), merupakan pengukuran dan pengambilan data spasial berdasarkan perekaman sensor pada perangkat kamera udara, scanner, atau radar. Contoh hasil perekaman yang dimaksud adalah citra.

PANDUAN APLIKASI Penginderaan Jauh Tingkat Dasar 3

Gambar 2. Bagan alur pengambilan data dengan metode penginderaan jauh

1.2. Prinsip perekaman sensorPrinsip perekaman oleh sensor dalam pengambilan data melalui metode penginderaan jauh dilakukan berdasarkan perbedaan daya reflektansi energi elektromagnetik masing-masing objek di permukaan bumi. Daya reflektansi yang berbeda-beda oleh sensor akan direkam dan didefinisikan sebagai objek yang berbeda yang dipresentasikan dalam sebuah citra.

Gambar 3. Proses perekaman permukaan bumi oleh sensor Penginderaan Jauh

Gelombang elektromagnetik yang dipantulkan permukaan bumi akan melewati atmosfer sebelum direkam oleh sensor. Awan, debu, atau partikel-partikel lain yang berada di atmosfer akan membiaskan pantulan gelombang ini. Atas dasar pembiasan yang terjadi, sebelum dilakukan analisa terhadap citra diperlukan kegiatan koreksi radiometrik.


1.3. Karakteristik Data Citra

Gambar 4. Karakteristik data citra

Data Citra satelit sebagai hasil dari perekaman satelit memiliki beberapa karakter yaitu:

1. Karakter spasial atau yang lebih dikenal sebagai resolusi spasial, bahwa data citra penginderaan jauh memiliki luasan terkecil yang dapat direkam oleh sensor. Sebagai contoh untuk Landsat TM memiliki luasan terkecil yang mampu direkam adalah 30 x 30 m dan mampu merekam daerah selebar 185 km. 1 Scene citra landsat memiliki luas 185 km x 185 km.

2. Karakteristik spektral atau lebih sering disebut sebagai resolusi spektral, Data penginderaan jauh direkam pada julat panjang gelombang tertentu. Masing-masing satelit biasanya membawa lebih dari satu jenis sensor dimana tiap sensor akan memiliki kemampuan untuk merekam julat panjang gelombang tertentu.

3. Karakteristik Temporal, Bahwa citra satelit dapat merekam suatu wilayah secara berulang dalam waktu tertentu, sebagai contoh satelit Landsat 3 dapat melakukan perekaman ulang terhadap satu wilayah setelah selang 18 hari.

Sedangkan data penginderaan jauh berdasarkan jenis produk datanya dapat dibagi menjadi dua yaitu:

1. Citra foto. Citra foto dihasilkan oleh alat perekam kamera dengan detektor berupa film, dengan mekanisme perekaman serentak, biasanya direkam dalam spektrum tampak atau perluasannya, dewasa ini berkembang teknologi digital yang dapat menggantikan peran film sebagai media penyimpanan obyek.

2. Citra non foto. Citra non foto dihasilkan oleh sensor non kamera mendasarkan pada penyiaman atau kamera yang detektornya bukan film, proses perekamannya parsial dan direkam secara elektronik.


1.4. Konsep Pengolahan CitraSecara umum pengolahan citra terbagi kedalam:

1. Pre-processing citra, merupakan pengolahan awal sebelum proses pengklasifikasian. Dalam kegiatan ini, koreksi citra (geometrik dan radiometrik) dilakukan.

Gambar 5. Diagram pre-prosesing citra

2. Klasifikasi citra, merupakan tahap intrepretasi informasi pada citra yang dibuat berdasarkan klas katagori tertentu.

Gambar 6. Diagram klasifikasi citra

Metoda klasifikasi secara umum terbagi menjadi dua:

• Klasifikasi tidak terbimbing (un-supervised classification), merupakan metoda klasifikasi yang memberikan keleluasaan bagi computer untuk mengklasifikasikan citra secara mandiri.

• Klasifikasi terbimbing (supervised classification), merupakan metoda klasifikasi yang memberikan bimbingan kepada komputer dalam proses klasifikasinya.

Dalam bab selanjutnya akan dibahas pengenalan metoda dan teknis pengolahan citra dengan menggunakan ER Mapper 6.4.


2. ANALISA PENGINDERAAN JAUH DALAM ER MAPPER

2.1. Pengenalan Fasilitas Dasar

Gambar 7. Tampilan menu dalam perangkat lunak ER Mapper.

ER Mapper merupakan salah satu software (perangkat lunak) yang digunakan untuk mengolah data citra. Beberapa perangkat lunak serupa yang juga memiliki fungsi yang sama antara lain ERDAS Imagine, PCI, dan lain-lain. Masing-masing software memilki keunggulan dan kekekurangannya masing-masing.

Gambar 8. Tampilan menu pulldown dan toolbar dalam perangkat lunak Er Mapper.

Secara umum ada dua tipe tombol operasi pada ER Mapper, yaitu tombol menu pulldown dan toolbar. Sebagian besar perintah operasional telah terfasilitasi dalam menu pulldown, namun dalam kasus-kasus tertentu, menu toolbar sangat efisien dan relatif lebih mudah digunakan.


2.2. Memulai Bekerja dengan ER Mapper

Dalam memulai bekerja dalam ER Mapper Klik ”Open” dari menu pulldown.

Gambar 9. Membuka Er Mapper.

Selanjutnya akan muncul dua jendela secara bersamaan, jendela VIEW dan FILE REPOSITORY

Gambar 10. Jendela View dan file repository

Langkah pertama dalam pengolahan citra adalah mengimpor data citra satelit yang akan digunakan ke dalam format ER Mapper. Pada umumnya data disimpan dalam magnetic tape, CD-ROM atau media penyimpanan yang lain. Bentuk data utama yang di-import adalah data raster dan vektor.

Pada saat mengimpor data raster, ER Mapper akan membuat dua file yaitu:• FiledatabinaryyangberisikandatarasterdalamformatBIL,tanpafile

extension.• FileheaderdalamformatASCIIdenganextension.ers


Langkah-langkah dalam impor file adalah sebagai berikut:

Klik menu puldown UTILITIES, didalamnya telah tersedia beragam fasilitas import berdasarkan jenis file, software pendukung, dan jenis citra.

2.3. Membuat DatasetFiledatacitrasumbertersimpandalamfileyangterpisah-pisahberdasarkan band-nya masing-masing. Sebelum diolah, file-file tersebut harus digabungkan menjadi satu dataset yang tercirikan dengan penggabungan beberapa file tersebut menjadi satu. Langkah-langkahnya adalah sebagai berikut:

Klik Load Dataset•

Gambar 11. Jendela untuk membuat Dataset

Duplikasikan layer menjadi 7 (atau• sesuai dengan jumlah band yang akan digabungkan).

Kemudian rename (dengan men-double klik) tiap layer menjadi •nama/nomer band-nya masing-masing.

Gambar 12. Jendela untuk duplikasi layer


Contoh:B1B2B3Dan seterusnya

Gambar 13. Pengisian file band pada tiap layer

Kemudian isikan tiap layer dengan file band nya masing-masing• dengan men-klik LOAD DATASET.

Catatan :•- Untuk mengganti jenis layer klik kanan pada layer yang akan

diganti.- Untuk menduplikasi layer klik Duplicate atau copy layer

kemudian paste layer - Untuk menghilangkan layer klik cut layer - Untuk Menonaktifkan layer, klik kanan kemudian pilih Turn Off

atau klik - Gambar dan untuk menaikan dan menurunkan layer

setingkat

Selanjutnya akan muncul jendela • FILE REPOSITORY yang berisikan file citra yang akan diolah. Pada data mentah citra (data asli yang belum dilakukan analisa atau pengolahan apapun), pilihlah file Band 1. Lalu klik tombol ”OK this layer only”. Langkah serupa berlaku juga untuk band-band yang lainnya.


Gambar 14. Jendela file repository citra yang akan diolah

Bila telah lengkap terisi untuk seluruh band • yang akan digabungkan, tampilan jendela algoritm akan tampak seperti gambar disamping. Dalam jendela ini, lakukanlah pengecekan ulang, apakah tiap layer band telah berisi file band yang sesuai.

Gambar 15. Jendela algoritma

Selanjutnya pada menu utama, klik SAVE AS pada pulldown menu •FILE.Buatnamabaruuntukdatasetyangakandibuat,tipefileyangdipilih adalah ER Mapper Raster Dataset (.ers).

Gambar 16. Menu utama


2.4. Image pre-processing (Pra-pemrosesan citra)Image pre-processing merupakan kegiatan pra-analisa data citra satelit. Tujuan dari pengolahan data citra adalah mempertajam data geografis dalam bentuk digital menjadi suatu tampilan yang lebih berarti bagi pengguna, dapat memberikan informasi kuantitatif suatu obyek, serta dapat memecahkan masalah.

Data citra yang terekam sensor sangat dipengaruhi oleh kondisi atmosfer, sudut pengambilan data dari sensor, dan waktu pengambilan data. Kondisi tersebut menyebabkan data citra satelit memiliki bias nilai informasi yang harus dikoreksi. Tahapan dalam pengolahan citra akan mengkoreksi/mereduksi bias yang ditimbulkan tadi.

Kegiatan dalam pengolahan citra meliputi:

1. Radiometric correction (koreksi radiometric)2. Geometric correction (koreksi geometric)

Dalam operasionalnya, semua proses yang dilakukan sejak pengolahan hinggaanalisadatacitratersimpandalam“algoritma”.Filealgoritmadapatdisimpan dan dipangil bila akan melakukan proses dan pencapaian yang serupa.

Gambar 17. Konsep algoritma dalam proses pengolahan hingga analisa citra

Dalam bab ini juga akan dipaparkan lebih lanjut bagaimana konsep algoritma diaplikasikan.

2.4.1. Radiometric correction (Koreksi radiometrik)Koreksi radiometrik perlu dilakukan pada data citra dengan berbagai alasan:

1. Stripping atau banding seringkali terjadi pada data citra yang diakibatkan oleh ketidakstabilan detektor. Striping atau banding merupakan fenomena ketidak konsistenan perekaman detektor untuk band dan areal perekaman yang sama.

2. Line dropout kadang terjadi sebagai akibat dari detektor yang gagal berfungsi dengan tiba-tiba. Jangka waktu kerusakan pada kasus ini biasanya bersifat sementara.


3. Efek atmosferik merupakan fenomena yang disebabkan oleh debu, kabut, atau asap seringkali menyebabkan efek bias dan pantul pada detektor, sehingga fenomena yang berada di bawahnya tidak dapat terekam secara normal.

Dengan kata lain, koreksi radiometrik dilakukan agar informasi yang terdapat dalam data citra dapat dengan jelas dibaca dan diinterpretasikan. Kegiatan yang dilakukan dapat berupa:

• Penggabungan data (data fusion). Yaitu menggabungkan citra dari sumber yang berbeda pada area yang sama untuk membantu di dalam interpretasi. Sebagai contoh adalah menggabungkan data Landsat-TM dengan data SPOT.

• Colodraping. Yaitu menempelkan satu jenis data citra di atas data yang lainya untuk membuat suatu kombinasi tampilan sehingga memudahkan untuk menganalisa dua atau lebih variabel. Sebagai contoh adalah citra vegetasi dari satelit ditempelkan di atas citra foto udara pada area yang sama.

• Penajaman kontras. Yaitu memperbaiki tampilan citra dengan memaksimumkan kontras antara pencahayaan dan penggelapan atau menaikan dan merendahkan harga data suatu citra.

• Filtering. Yaitu memperbaiki tampilan citra dengan mentransformasikan nilai-nilai digital citra, seperti mempertajam batas area yang mempunyai nilai digital yang sama (enhance edge), menghaluskan citra dari noise (smooth noise), dan lainnya.

• Formula.Yaitumembuatsuatuoperasimatematikadanmemasukannilai-nilai digital citra pada operasi matematika tersebut, misalnya Principal Component Analysis (PCA).

2.4.2. Penajaman kontras citra (Transformasi)Transformasi digunakan dalam meningkatkan kontras warna dan cahaya pada suatu citra. Proses ini dilakukan guna mempermudah dalam proses interpretasi dan analisis citra. Metode yang digunakan dalam contoh ini merupakan metode perubahan garis histogram. Histogram adalah suatu tampilan grafik dari distribusi frekuensi relatif dalam suatu dataset. Suatu kotak dialog transformasi akan menampilkan histogram data masukan dan data keluaran setelah ditransformasi, dan garis transformasi.


- Untuk mengkontraskan data dengan menghilangkan 1 % informasi klik pada jendela algoritma.

- Untuk mengkontraskan data secara manual klik akan keluar tampilan sebagai berikut.

Gambar 18. Penajaman kontras citra.

- Kesembilan icon di sebelah kanan adalah berbagai jenis stretch yang umum digunakan antara lain transformasi linier, histogram equalisasi, gausian, dll. Untuk mengetahui jenis transformasi untuk setiap icon letakkan cursor beberapa saat di atas icon.

- Untuk mengganti layer yang akan diubah kontrasnya klik , , atau .

- Anda dapat juga membuat kontras citra secara manual dengan

menarik garis lurus pada kotak histogram dengan mouse kiri, seperti contoh berikut.

Gambar 19. Membuat kontras citra secara manual.


2.4.3. FilteringFiltering merupakan proses perubahan nilai piksel dalam dataset sesuaidengannilaipikseldisekelilingnya.Filteringmerupakanoperasilokaldalampengolahan citra yang dilakukan guna memudahkan interpretasi visual.

Filterspasialyangdigunakandibagimenjaditigakatagoriumum,yaitu:

- Filterlolosrendah(low pass filter) adalah filter yang digunakan untuk memperhalus kenampakan (smoothing and averaging) dengan meratakan noise dan menghilangkan spike pada cittra.

- Filter lolos tinggi (high pass filter) adalah filter yang digunakan untuk menajamkan penampakan pada citra seperti jalan, patahan lingkungan air dan tanah dengan menekan frekuensi tinggi tanpa mempengaruhi bagian dari frekuensi rendah citra.

- Filterdeteksi sisi (edge detection filter) adalah filter yang digunakan untuk menampakkan sisi disekitar suatu obyek untuk memudahkan kegiatan analisis.

Kita dapat memilih jenis-jenis filter yang ingin digunakan dari kumpulan filter yang ada di ER Mapper, seperti filter untuk averaging, edge enhancement, laplacian, noise removal, sharpening, threshold, median, dan gradient. Kita juga dapat mendefinisikan dan memasukkan filter-filter khusus yang kita buat sendiri. Filter dapat digunakan untukmeningkatkan tampilan citra,menajamkam citra, meratakan dan menghilangkan noise atau bising.

Icon : digunakan untuk melakukan filter dengan menampilkan kotak Filtersebagaiberikut:

Gambar 20. Kotak filter.

Dari kotak filter, klik untuk menentukan jenis filter yang akan digunakan.


Gambar 21. Kotak pilihan filter.

Terdapat beragam filter yang dapat dipilih pada direktori ER Mapper/kernel. Sebagai contoh dalam tutorial ini diambil jenis filter high pass dengan filter sharpedge.ker untuk menajamkan batas/sisi suatu objek.

- Untuk memberi filter pada layer lain klik , atau ,

kemudian klik refresh .

- Untuk mengedit filter (merubah atau menghapus) yang telah dipilih, klik EDIT pada kotak filter, kemudian pilihlah “Insert new filter” untuk mengganti filter sebelumnya atau ”Delete this filter” untuk menghapus filter sebelumnya .

Gambar 22. Pemberian filter pada layer lain.

- Kemudian klik refresh padajendela algoritma.

2.4.4 Geometric correction (Koreksi geometrik)Sebelum data citra dapat diolah, sistem proyeksi/koordinat peta harus didefinisikan dan disesuaikan terlebih dahulu dengan areal kerja atau dengan data spasial yang telah ada sebelumnya. Dalam koreksi geometrik,


istilah rektifikasi digunakan bila data citra dikoreksi dengan peta dasar sebagai acuannya. Sedangkan untuk data citra yang dikoreksi dengan acuan citra lain yang telah terkoreksi digunakan istilah registrasi.

Koreksi geometrik atau rektifikasi merupakan tahapan agar data citra dapat diproyeksikan sesuai dengan sistem koordinat yang digunakan. Acuan dari koreksi geometrik ini dapat berupa peta dasar ataupun data citra sebelumnya yang telah terkoreksi. Secara umum, dalam ER Mapper sendiri terdapat empat tipe pengoperasian rektifikasi:

• Image to map rectification, • Imagetoimagerectification,• Map to map transformation, yaitu mentrasformasikan data yang

terkoreksi menjadi datum/map projection yang baru.• Image rotation, memutar citra menjadi beberapa derajat.

Koreksi geometrik dilakukan dengan menggunakan acuan titik kontrol

yang dikenal dengan Ground Control Point (GCP). Titik kontrol yang ditentukan merupakan titik-titik dari obyek yang bersifat permanen dan dapat diidentifikasi di atas citra dan peta dasar/rujukan. GCP dapat berupa persilangan jalan, percabangan sungai, persilangan antara jalan dengan sungai (jembatan) atau objek lain.

2.4.5. Penentuan Titik Kontrol (GCP)

Penetuan titik kontrol dalam koreksi geometrik dilakukan bersamaan dengan proses geo-coding. Langkah awalnya adalah mengaktifkan Geocoding Wizards yang dibuka melalui menu pulldown PROCESS.

Gambar 23. Pengaktifan Geocoding Wizards melalui pulldown process.

Dalam menu geocoding wizards, terdapat berbagai macam metode geocoding yang dapat dipilih dan digunakan berikut dengan tahapan-tahapannya.


Gambar 24. Macam-macam metode geocoding dalam menu geocoding wizards.

Secara prinsip perbedaan dari berbagai metode geocoding adalah sebagai berikut:

1. Metode Triangulasi (Triangulation method) dilakukan dalam proses rektifikasi untuk mereduksi pergeseran (distorsi) lokal. Biasanya dilakukan pada data foto udara untuk memperbaiki pergeseran data akibat pergerakan sensor yang yang tidak stabil.

2. Metode Polinomial (Polynomial method) dilakukan bila koreksi yang dilakukan meliputi keseluruhan areal data citra (tidak bersifat lokal) seperti halnya metode yang pertama.

3. Metode Ortorektifikasi dengan menggunakan GCP (Ortorectify using GCP) memperbaiki foto udara akibat distors pergerakan sensor foto udara pada pesawat dan pergeseran data ketinggian. Dalam proses rektifkasinya, metode ini membutuhkan foto udara, GCP sampai dengan informasi ketinggiannya, dan file Digital Elevation Model (DEM).

4. Metode Ortorektifikasi dengan menggunakan eksterior orientation hampir mirip dengan metode ortorektifikasi sebelumnya, hanya tidak perlu mengunakan GCP, selama eksterior orientasinya telah diketahui.

5. Metode Map to map reprojection dilakukan untuk merubah proyeksi peta satu ke proyeksi peta lainnya.

6. Metode Known point registration dilakukan pada citra yang sudah berkesesuaian dengan poyeksi data acuan. Penentuan dilakukan berdasarkan atas titik sudut koordinat citra acuan yang telah diketahui.


7. Metode Rotasi (Rotation method) dilakukan untuk memutar data citra berlawanan dengan arah jarum jam. Informasi yang dibutuhkan adalah sudut perputaran dalam derajat menit dan detik atau dalam desimal.

Dalam tutorial kali ini metoda yang akan digunakan adalah metoda polinomial, dengan alasan data yang akan dikoreksi meliputi data keseluruhan dalam satu lembar citra. Dalam metode ini yang dibutuhkan adalah titik kontrol (GCP) dengan referensi peta dasar atau data citra yang telah terkoreksi geometri sebelumnya.

Langkah-langkah yang dilakukan adalah:

1. Klik load algoritm or dataset pada input file setelah mengaktifkan opsi tipe geocoding polinomial.

2. Setelah muncul jendela file input, masukkan dataset atau algoritma yang telah dibuat sebelumnya. Tentukan datasetnya dan klik OK.

Gambar 25. Jendela geocoding polinomial.

3. Selanjutnya beranjak dari langkah 2 , yaitu polinomial setup dalam langkah ketiga ini terdapat 3 order polinomial yang ditawarkan oleh sistem yaitu linear, quadratic dan qubic. Untuk linear diperlukan minimal 3 GCP, untuk quadratic diperlukan minimal 6 GCP dan Cubic minimal 10 GCP. Pemilihan metode yang ingin digunakan dapat mengacu pada kondisi daerah yang akan dikoreksi citranya. Untuk daerah yang relatif datar pemilihan metode linear sudah cukup baik dengan 3 GCP atau lebih. Untuk daerah yang berbukit atau bergelombang pemilihan metode quadratic, untuk daerah yang bergunung dengan beda tinggi sangat bervariasi lebih disarankan untuk menggunakan polinomial orde 3 dengan 10 atau lebih GCP.


Gambar 26. Set up polinomial.

4. Pada tutorial ini, akan dipilih median dari ketiganya yaitu order polinomial quadratic. Aktifkan opsinya, kemudian langsung beralih ke langkah ke-3, yaitu GCP setup.

5. Aktifkan (cek-list) pilihan geocoded image, vector, or algorithm bila sumber acuan merupakan peta dasar atau citra yang telah terkoreksi sebelumnya. Pilihan kedua, Select GCP from Digitizer diaktifkan bila GCP yang digunakan langsung diambil dari peta dasar melalui digitizer tablet.

6. Masukkkan file acuan, sebagai contoh kasus file acuan yang diambil adalah data vektor sungai. Informasi mengenai sistem koordinat file akan langsung terbaca dalam ”Output Coordinate Space”.

Gambar 27. Memasukkan file acuan dalam geocoding polinomial.

7. Langkah selajutnya adalah GCP edit. Tombol digunakan untuk membuka file GCP edit sebelumnya. Tombol digunakan untuk menyimpan GCP edit yang dilakukan. Tombol digunakan untuk menambah titik kontrol. Tombol digunakan untuk menghapus titik kontrol yang telah dibuat sebelunmnya. Tombol digunakan untuk men-zoom-ing titik kontrol yang ada. Tombol digunakan untuk menghapus semua titik kontrol yang telah dibuat sebelumnya. Tombol digunakan untuk menghitung titik kontrol yang tidak akurat.


Gambar 28. GCP edit.

Selanjutmya akan muncul tampilan sebagai berikut:

Gambar 29. Tampilan untuk geo-koreksi citra.

Layar pada kolom pertama merupakan tampilan dari data vektor sungai yang digunakan sebagai titik acuan. Layar pada kolom kedua merupakan data raster citra yang akan di-geokoreksi. Layar di bawahnya merupakan fungsi pembesaran dari layar yang ada di atasnya.Seperti yang telah disinggung sebelumnya, titik kontrol dipilih pada titik atau area yang permanen atau tidak mengalami perubahan dalam jangka wajtu yang relatif lama, seperti percabangan sungai, persimpangan jalan, jembatan dan sebagainya.


8. Dalam orde polinomial quadratik, titik kontrol yang dibutuhkan minimal 6 dengan RMS yang tidak lebih dari 1. RMS atau Root Means Square merupakan kuadrat nilai tengah yang digunakan sebagai indikator keakuratan posisi. Semakin kecil nilai RMS, maka semakin tinggi keakuratan posisi titiknya. Sehingga dalam hal ini, usahakan semua nilai RMS-nya mendekati nilai nol dan tidak lebih dari 1.

9. Langkah terakhir adalah rektifikasi, Pada saat rektifikasi ini akan diberikan pilihan untuk ukuran cell dan juga metode re-sampling yang akan digunakan. Pilihan metode resampling ada tiga yaitu nearest neighbour, bilinear dan cubic convolution. Pemilihan metode re-sampling yang digunakan mengacu pada rencana penggunaan citra hasil koreksi. Apabila ingin dilakukan klasifikasi multi spektral maka pilihan nearest neigbour menjadi tepat dikarenakan tidak ada pengubahan nilai piksel seperti metode bilinear maupun cubic,nilai piksel yang digunakan adalah nilai piksel terdekat.

Nama data raster baru akan diminta sebelum proses rektifikasi dilakukan.

Setelah melewati langkah-langkah di atas, maka data citra telah terkoreksi secara geometrik.

2.5. Klasifikasi multispektral (Image classification)

Klasifikasi Multispektral merupakan sebuah algoritma yang digunakan untuk memperoleh informasi thematik dengan cara mengelompokkan suatu fenomena/ obyek berdasarkan kriteria tertentu. Asumsi awal yang harus diperhatikan sebelum melakukan klasifikasi multispektral adalah bahwa tiap obyek dapat dikenali dan dibedakan berdasarkan nilai spektralnya. Salah satu contoh hasil klasifikasi multispektral adalah peta penutup lahan yang memberikan informasi mengenai jenis penutup lahan ( vegetasi kerapatan tinggi yang berasosiasi dengan hutan, semak belukar, tubuh air, vegetasi kerapatan rendah, lahan terbangun dan lainnya).

Secara umum, metode klasifikasi terbagi menjadi dua:

1. Klasifikasi tidak terbimbing (unsupervised classification)2. Klasifikasi terbimbing (supervised classification)


2.5.1. Klasifikasi tidak terbimbingKlasifikasi tidak terbimbing merupakan metode yang memberikan mandat sepenuhnya kepada sistem/komputer untuk mengelompokkan data raster berdasarkan nilai digitalnya masing-masing, intervensi pengguna dalam hal ini diminimalisasi. Jenis metode ini digunakan bila kualitas citra sangat tinggi dengan distorsi atmosferik dan tutupan awan yang rendah. Namun, dalam banyak kasus, terlepas dari kondisi citra yang bersangkutan, metode ini banyak digunakan untuk memberikan gambaran kasar/ informasi awal.Beberapa tahapan proses klasifikasi tidak terbimbing adalah sebagai berikut:

Dalam menu pulldown PROCESS terdapat beberapa pilihan metode CLASSIFICATION, dalam hal ini pilihlah ISOCLASS UNSUPERVISEDCLASSIFICATION

Gambar 30. Pilihan metode klasifikasi dalam menu pulldown process.Selanjutnya akan muncul menu berikut

Gambar 31. Tampilan contoh pada isoclass unsupervised classification.

Isilah menu yang disajikan, masukkan file citra yang telah terkoreksi secara geometrik pada kolom ”Input Dataset”.

Gambar 32. Tampilan untuk memasukkan file citra yang telah terkoreksi geometrik.


Pilihlah band-band yang akan digunakan dalam proses klasifikasi ini pada kolom ”Band to use”. Dalam hal ini suatu band sangat spesifik untuk mengidentifikasi suatu fenomena permukaan tertentu.

Berikut contoh penggunaan setiap band pada Landsat 7 ETM

Band Contoh aplikasi

1 Pemetaan wilayah pantai dan perairan, pembuatan batimetri, pemetaan sedimentasi

2 Pemetaan vegetasi, identifikasi reflektansi klorofil

3 Identifikasi absorbsi klorofil, pembedaan spesies

tumbuhan, dan biomasa

4 Spesiaes vegetasi, biomasa, kelembaban tanah

5 Pembatasan fenomena tanah dan tumbuhan, pemetaan wilayah pemukiman

6 Pemetaan evapotranspirasi, pemetaan suhu permukaan, kelembaban tanah

7 Geologi, pemetaan tipe batuan dan mineral, pembatasan badan air, pemetaan tingkat kelembaban tumbuhan

Sebagai contoh dalam modul ini, band yang dipilih adalah band 5, 4, dan 3

Gambar 33. Tampilan untuk pemilihan band.


Dalam kolom ”Output Dataset” buatlah nama file baru untuk hasil klasifikasi yang akan dilakukan.

Gambar 34. Membuat nama file baru dalam kolom ‘Output dataset”.

Pada menu option ”Starting Classes”, pilihlah autogenerate dengan nilai 1 untuk mengenarisasi tiap piksel data.

Iterasi merupakan pengulangan tiap proses yang dilakukan sistem, nilai pada kolom ”maksimum iteration” mengindikasikan jumlah pengulangan yang pengguna inginkan pada setiap langkah proses generate yang dilakukan sistem. Tentunya semakin tinggi nilai iterasinya maka semakin baik kualitas yang dihasilkan, sebagai contoh dalam hal ini gunakan nilai 10.

Masukan jumlah kelas yang diinginkan pada kolom ”maksimum number of class”.

Selanjutnya untuk pilihan yang lainnya dapat diisi berdasarkan kebutuhan dan tingkat keakuratan yang diiginkan.

Sebagai contoh, hasil yang diisikan adalah sebagai berikut:

Gambar 35. Tampilan hasil berdasarkan contoh pengisian untuk pemilihan kelas, iterasi atau pengulangan serta tingkat keakuratan .


Klik OK untuk menjalankan proses klasifikasiSelanjutnya akan muncul processing status yang akan menginformasikan tahapan iterasi yang sedang berjalan, sampling, dan kelompok kelas yang sedang dikerjakan.

Gambar 36. Tampilan status prosessing

Bila information box yang menginformasikan bahwa proses sudah selesai telah muncul, maka klik OK.

Tutup processing status dengan mengklik tombol CLOSE. Tutup jendela dialog Unsupervise Classification dengan mengklik tombol CANCEL.

Dalam menu puldown ”Process” pilihlah ”Recalculate Statistic”.

Gambar 37. Perhitungan statistik

Klik OK bila notifikasi yang menginformasikan bahwa perhitungan statistik telah selesai.


Selanjutnya editlah nama region dan komposisi warna citra hasil klasifikasi. Fasilitas pengeditan dapat dibuka di menu puldown”Edit”.

--> ”Edit Class/Color region and Name”.

Gambar 38. Edit nama region dan komposisi warna citra.

Selanjutnya pilihlah file kelas hasil klasifikasi yang dilakukkan. Pengeditan dilakukan terhadap nama kelas serta identitas warnanya.

Gambar 39. Edit nama kelas dan identifikasi warna.

Bila telah selesai klik SAVE

Buka kembali file kelas yang telah diedit, contoh tampilan nya akan berupa sebagai berikut

Gambar 40. Tampilan pada hasil editing dengan menggunakan klasifikasi tidak terbimbing


Mengacu pada proses dan hasil klasifikasi yang telah dilakukan nampak bahwa metode klasifikasi tidak terbimbing kerap kali melakukan generalisasi yang tidak sesuai dengan harapan pengguna. Dari contoh di atas dapat dilihat bahwa beberapa kelompok data piksel yang teridentifikasi sebagai bayangan awan dikelompokkan sama dengan badan air. Kondisi ini merupakan pengaruh dari jumlah pembagian kelas yang kurang detil atau karena sebaran kualitas atmosferik data pada citra yang tidak seragam. Kasus tersebut dalam metode klasifikasi terbimbing tidak akan terjadi, karena pengguna akan menuntun sistem identifikasi pada kelompok-kelompok piksel sehingga masuk kelompok kelas tertentu dalam suatu training area.

2.5.2. Klasifikasi terbimbingKlasifikasi terbimbing merupakan metode yang dipandu dan dikendalikan sebagian besar atau sepenuhnya oleh pengguna dalam proses pengklasifikasiannya. Intervensi pengguna dimulai sejak penentuan training area hingga tahap pengklasterannya. Klasifikasi terbimbing dalam hal ini mensyaratkan kemampuan pengguna dalam penguasaan informasi lahan terhadap areal kajian.

Langkah-langkah dalam melakukan klasifikasi terbimbing adalah:

Bukalah file citra yang telah terkoreksi secara geometrik dan radiometrik,melaluimenupuldownFILE-->OPEN

Gambar 41. Membuka file citra yang telah terkoreksi geometrik dan radometrik.


Bukalah jendela algoritm dialog dengan membuka menu puldown VIEW --> ALGORITHM

Gambar 42. Membuka jendela algoritma melalui menu puldown.

Editlah komposisi band nya sesuai kebutuhan pengguna, sebagai contoh dalam modul ini, komposisi band yang digunakan adalah 543

Gambar 43. Edit komposisi band dalam klasifikasi terbimbing.

Tutuplah jendela ”Annotate vector layer”, selanjutnya akan muncul training area yang telah dideliniasi sebelumnya.

Langkah selanjutya adalah membuat training area. Pada jendela algorithm, klik EDIT --> Add Vector Layer --> Region layer.


Gambar 44. Membuat training area dalam klasifikasi terbimbing.

Klik ”Annotate vektor layer” untuk membuka jendela properties dalam menggambar training area pada citra.

Gambar 45. Membuka jendela properties untuk menggambar training area dalam citra.

Mulailah membuat training area, sebagai contoh berikut poligon yang mendeliniasi training area untuk ”badan air”

Gambar 46. Membuat training area untuk badan air.


Klik untuk memberi nama region yang dibuat, sehingga akan muncul jendela dibawah ini

Gambar 47. Memberi nama region.

Klik untuk men- save, yang selanjutnya akan muncul notifikasi dibawah ini

Gambar 48. Menyimpan nama region.

Cara yang sama juga dilakukan untuk training area yang lain, seperti hutan, perkebunan, awan, bayangan awan, dan tanah terbuka

Gambar 49. Memberi nama dan menyimpan nama region pada training area yang lain.


Tutuplah jendela ”Annotate vector layer”, selanjutnya akan muncul training area yang telah dideliniasi sebelumnya.

Gambar 50. Tampilan training area yang telah di deliniasi.

Klik PROCESS --> SUPERVISED CLASSIFICATION untuk memulaiklasifikasi

Gambar 51. Memulai klasifikasi terbimbing.

Selanjutnya akan muncul jendela dialog berikut

Gambar 52. Jendela dialog dalam klasifikasi terbimbing.


Masukkan file citra yang telah diberi training area, tentukan band-band yang digunakan, tentukan nama file output, tentukan tipe klasifikasinya, dan klik OK, dan selanjutnya akan muncul status bar berikut.

Gambar 53. Tampilan status bar setelah penentuan training area, band-band yang digunakan, nama file output dan tipe klasifikasi.

Bila telah muncul notifikasi berikut Prose lasifikasi telah selesai dan klik close

Gambar 54. Tampilan konfirmasi akhir proses klasifikasi terbimbing.

Buka file hasil klasifikasi, dengan cara yang sama pada klasifikasi tidak terbimbing, klik recalculate statistic pada menu puldown VIEW, edit pewarnaan dan nama kelas nya pada EDIT --> ”Edit Class/ Region Colour and Name”


Contoh hasil dari klasifikasi adalah sebagai berikut

Gambar 55. Contoh hasil klasifikasi terbimbing

Warna hijau mewakili kondisi umum hutan, kuning untuk perkebunan, merah untuk tanah terbuka, putih untuk awan, dan hitam untuk bayangan awan.

2.5.3. Perhitungan akurasi (Accuracy assesement)Seperti halnya dengan beberapa analisa spasial lainnya, sebelum hasil klasifikasi dapat benar-benar digunakan perhitungan tingkat akurasi merupakan prasyarat mutlak yang harus dilakukan setelah kegiatan klasifikasi.

Akurasi merupakan perbandingan antara data hasil klasifikasi dengan kondisi lapangan. Dengan kata lain, dalam prosesnya, pengguna harus melakukan pengecekan dan pengambilan beberapa sampel dilapangan sebagai pembanding.

Perhitungan akurasi dapat dilakukan dengan berbagai metode, salah satu metodenya adalah confusion matrix. Pada prinsipnya, confusion matrix menyusun data hasil klasifikasi dan hasil pengamatan di lapangan dalam sebuah tabel perbandingan persentase.

Sebagai contoh:

Berikut telah diambil 100 titik sampel di lapangan yang kemudian akan dicocokan dengan data hasil klasifikasi pada titik/posisi yang sama. Titik yang memiliki kesamaan antara kondisi lapangan dan hasil klasifikasi diakumulasikan pada kolom kuning berdasarkan masing-masing pola penutupan lahannya.


Gambar 56. Contoh perhitungan akurasi dengan metode confusion matrix.

Maka perhitungan akurasinya adalah sebagai berikutAkurasi keseluruhan (Overall Accuracy):= jumlah diagonal utama (warna kuning)/jumlah titik= 63/100 = 63%Akurasi produser (Produser’s Accuracy):Hutan = 28/30 = 93%Badan air = 15/30 = 50%Perkebunan = 20/40 = 50%

Akurasi Pengguna (User’s Accuracy):Hutan = 28/57 = 49%Badan air = 15/21 = 71%Perkebunan = 20/22 = 91%


3. PENGENALAN CITRA ALOS

3.1. Karakteristik Umum

Advance Land Observing Satellite (ALOS) diluncurkan di Jepang pada tahun 2006. Satelit ini memiliki tiga sensor yaitu: Panchromatic Remote-sensing Instrument for Stereo Mapping (PRISM), the Advanced Visible and Near Infrared Radiometer type 2 (AVNIR-2), dan Phased Array type L-band Synthetic Aperture Radar (PALSAR). Satelit ini merupakan bagian dari Japanese Earth Observing Program yang diluncurkan setelah Japanese Earth Resource Satellite-1 (JERS-1) dan Advance Earth Observing Satellite (ADEOS). Spesifikasi umum mengenai citra ALOS disajikan pada Tabel 1.

Tabel 1. Spesifikasi umum mengenai citra ALOS (sumber: JAXA)

3.2. SensorTiga instrumen rpenginderaan jauh yang dimiliki ALOS merupakan kelebihan yang dimilikiya: PRISM digunakan untuk pemetaan ketinggian (digital elevation mapping), the AVNIR-2 digunakan untuk observasi lahan pada tingkat akurasi tinggi dan PALSAR digunakan untuk observasi lahan multi waktu dalam berbagai jenis kondisi cuaca.


Gambar 57. Posisi sensor pada satelit ALOS

3.2.1. PRISMPRISM merupakan panchromatic radiometer yang memiliki resolusi spasial 2,5 m pada posisi nadirnya. Data ini akan diekstraksi menjadi Digital Surface Model (DSM) dengan tingkat akurasi yang cukup tinggi. Sensor ini memiliki tiga sistem teleskop optik yaitu dibagian nadir, dibagian depan, dan belakang. Pada bagian nadir teleskop mampu merekam dengan lebar 70 m, sementara bagian belakang dan depannya masing-masing merekam hingga 35 km. Spesifikasi umum sensor PRISM disajikan pada Tabel 2.

Tabel 2. Spesifikasi umum sensor PRISM (sumber: Jaxa japan)


3.2.2. AVNIR-2The Advanced Visible and Near Infrared Radiometer type 2 (AVNIR-2) merupakan radiometer near-infrared dan sinar tampak yang digunakan untuk observasi lahan dan pesisir. AVNIR-2 memiliki resolusi spasial hingga 10 m pada nadirnya. Sensor ini merekam dari panjang gelombang 0,42 hingga 0,89 mikrometer yang terbagi menjadi 4 band. Spesifikasi umum sensor AVNIR-2 disajikan dalam Tabel 3.

Tabel 3. Spesifikasi umum sensor AVNIR-2 (sumber: jaxa japan)

3.2.3. PALSARPhased Array type L-band Synthetic Aperture Radar (PALSAR) merupakan sensor microwave aktif yang menggunakan frekuensi L-band guna mendapatkan perekaman yang multi waktu dan bebas awan. PALSAR memiliki beberapa mode yang dibedakan berdasarkan polarisasinya, yaitu Single Polarisasi, Dual Polarisasi, ScanSAR, dan Polarimetrik. Masing-masing memiliki selang resolusi spasial serta lebar perekaman yang berbeda-beda. PALSAR yang memiliki areal perekaman yagn luas dikebal sebagai ScaSAR.

Terkait dengan ketersedian data, sensor jenis PALSAR sejak tahun 2008 ini mulai di-launched menjadi data open source untuk resolusi spasial 50m dan 500m pada beberapa kawasan, termasuk Indonesia. Dalam tulisan ini, selanjutnya akan dibahas panduan praktis khusus bagi pra pengolahan data ALOS PALSAR tipe open source data untuk kepentingan identifkasi penutupan lahan.


Tabel 4. Spesifikasi umum sensor PALSAR (sumber: Jaxa)

3.3. Pra Pengolahan ALOS PALSAR3.3.1. Spesifikasi perangkat yang diperlukanPengguna dalam hal ini perlu menyediakan perangkat keras Personal Computer dengan spesifikasi minimal yang dianjurkan meliputi: processor setingkat pentium 4, RAM 1GB, dengan kapasitas HD yang dapat digunakan setidaknya 20 GB.

Perangkat lunak yang digunakan dapat beragam sesuai preferensi; ENVI, MapReady, bahkan tool dalam ArcGIS dapat digunakan dalam pra pengolahan PALSAR ini.


3.3.2. Format Data ALOS PALSARFormatdatadalamALOSPALSARopensourcedataberupaRAWdanPNG,pemilihan format dapat disesuaikan dengan preferensi.

3.3.3. Teknik Import Data ALOS PALSARLangkah pertama yang dilakukan adalah proses importing data dari data RAW atau PNG menjadi format data berdasarkan platform yang kita perlukan. Bila pengguna bekerja dengan menggunakan ER Mapper, maka format data yang digunakan adalah *.ers, bila menggunakan ERDAS maka *.img, dan seterusnya.

Proses importing data pada panduan ini dilakukan dengan menggunakan software ENVI, untuk kemudian dianalisis dengan menggunakan perangkat lunak ER Mapper. Proses import dengan menggunakan perangkat lunak ENVI dilakukan dengan langkah sebagai berikut:

• Aktifkan perangkat lunak ENVI

Gambar 58. Mengaktifkan perangkat lunak ENVI.

• Selanjutnyaakanmunculmenuutamasepertiberikut

Gambar 59. Menu utama pada perangkat lunak ENVI.


• Padamenupulldown-->pilihFILE-->OpenExternalFile-->GenericFormats-->PNG

Gambar 60. Membuka file pada perangkat lunak ENVI.

Selanjutnya buka file citra ALOS PALSAR, salah satu bentuk file yang •digunakan untuk format free data source adalah PNG. Selanjutnya akan muncul jendela band composition seperti dibawah ini.

Gambar 61. Membuka file citra ALOS PALSAR.


Untuk option klik RGB Colour, untuk selanjutnya klik Load RGB untuk •menampilkan image.

Gambar 62. Menampilkan citra.

Proses importing dapat juga dilakukan dalam software ArcGIS. Data dalam format PNG pertama-tama dibuka dalam ArcGIS untuk selanjutnya di Save As sebagai file geo-tiff. Jenis tiff dipilih karena ER Mapper dalam hal ini dapat membuka langsung format tiff tanpa harus melakukan proses importing terlebih dahulu. Namun dalam hal kecepatan, proses konversi format data dalam ArcGIS memakan waktu lebih banyak bila dibandingkan dengan proses konversi yang dilakukan dengan menggunakan ENVI.

Berikut adalah tahapan proses importing data dengan menggunakan preangkat lunak ArcGIS:

Aktifkan software ArcGIS, selanjutnya buka data ALOS PALSAR dengan• menggunakanfungsiAddDatapadamenupulldownFile.

Gambar 63. Membuka data ALOS PALSAR dalam perangkat lunak ArcGIS.


Selanjutnya akan muncul tampilan data ALOS PALSAR seperti •dibawah ini.

Gambar 64. Tampilan data ALOS PALSAR dalam perangkat lunak ArcGIS.

Diatas data ALOS PALSAR yang sedang aktif klik kanan mouse, untuk •selanjutnya pilih DATA --> Export Data

Gambar 65. Eksport data ALOS PALSAR dalam perangkat lunak ArcGIS.


Pilih lokasi penyimpanan output data serta format datanya (tiff ), •kemudian klik Save.

Gambar 66. Menyimpan data ALOS PALSAR dalam perangkat lunak ArcGIS.

Untuk selanjutnya data ALOS dapat dibuka dalam software ER Mapper, dan dilakukan pengolahan lebih lanjut.

Modul Penginderaan Jauh Dasar

Documents

Transcript of Modul Penginderaan Jauh Dasar